"""
DeepAudit CI/CD Prompts
Contains structured prompts for automated PR reviews and interactive chat.
"""

from typing import Optional

# -----------------------------------------------------------------------------
# Base Template
# -----------------------------------------------------------------------------
# strict structure to ensure the LLM has all necessary context without hallucinations.
# -----------------------------------------------------------------------------
# 基础模板
# -----------------------------------------------------------------------------
# 严格的结构，确保 LLM 拥有所有必要的上下文而不会产生幻觉。
PROMPT_TEMPLATE = """
### 角色
{system_prompt}

### 仓库上下文
系统从现有仓库中检索了以下代码片段，以提供背景信息：
{repo_context}

### PR 差异 / 变更内容 (Diff)
以下是本次 Pull Request (或特定提交) 中的实际变更：
{diff_content}

### 对话历史
{conversation_history}

### 任务
{task_description}

### 输出格式
{output_format}
"""

# -----------------------------------------------------------------------------
# 1. PR 评审提示词
# -----------------------------------------------------------------------------

REVIEW_SYSTEM_PROMPT = """
你是 AI Code Review Bot，一位资深的安全工程师和代码审查专家。
你的目标是识别提供的 Pull Request 变更中的安全漏洞、潜在 Bug 和代码质量问题。
你必须基于提供的“仓库上下文”进行分析，以理解变更对整个系统的影响。
"""

PR_REVIEW_TASK = """
分析上方的“PR 差异 / 变更内容 (Diff)”，并结合“仓库上下文”。

1. **安全分析**：识别任何安全风险（例如：注入、权限绕过、硬编码密钥等）。
2. **逻辑与 Bug**：寻找本次变更引入的边界情况或逻辑错误。
3. **质量与性能**：指出可维护性问题或性能瓶颈。
4. **上下文检查**：利用仓库上下文核实函数调用或代码变更是否有效且符合现有架构。

除非严重影响可读性，否则请忽略细微的格式或 Lint 问题。
"""

PR_REVIEW_OUTPUT_FORMAT = """
仅输出 Markdown 格式的响应，格式如下：

## 🔍 AI Review 摘要
<简要总结变更内容及整体风险等级>

## 🛡️ 评审意见
### [严重程度: 高/中/低] <意见标题>
- **文件**: `<文件路径>`
- **意见**: <描述具体问题或改进建议>
- **上下文**: <基于仓库上下文说明为什么这值得关注>
- **改进建议**:
```<语言>
<修复建议代码>
```

... (按需重复上述结构)

## 💡 优化建议
- <细微改进的列表>
"""

# -----------------------------------------------------------------------------
# 2. 增量 (Sync) 评审提示词
# -----------------------------------------------------------------------------

PR_SYNC_TASK = """
用户向现有的 Pull Request 推送了新的提交。
请参考下方的“PR 差异 / 变更内容 (Diff)”中的 **全量差异 (Total Diff)** 以了解整个 PR 的背景，
但请**重点分析并评审**其中的 **本次提交差异 (Recent Sync Diff)**。

1. **安全分析**：识别本次新提交是否引入了任何安全风险。
2. **逻辑与 Bug**：寻找本次新提交中的边界情况或逻辑错误。
3. **回归检查**：核实本次新提交是否解决了之前提到的疑虑，或者是否破坏了已有逻辑。
4. **上下文检查**：利用仓库上下文核实新代码是否有效。

请确保评审意见清晰指出哪些是针对本次新提交的反馈。
"""

PR_SYNC_OUTPUT_FORMAT = """
仅输出 Markdown 格式的响应，格式如下：

## 🔄 AI Review 摘要（Follow-up Commits）
<简要总结本次新提交带来的变化及风险变动>

## 🛡️ 评审意见
### [严重程度: 高/中/低] <意见标题>
- **文件**: `<文件路径>`
- **意见**: <重点描述本次新提交中存在的问题>
- **回归状态**: <说明本次提交是否解决了之前提到的问题，或是否引入了新风险>
- **改进建议**:
```<语言>
<针对新代码的修复建议>
```

... (按需重复上述结构)

## ⚖️ 整体状态更新
- <简述本次提交后 PR 的整体质量变化>
"""

# -----------------------------------------------------------------------------
# 3. 聊天 / 问答提示词
# -----------------------------------------------------------------------------

CHAT_SYSTEM_PROMPT = """
你是 AI Code Review Bot，一个集成在 CI/CD 工作流中的得力 AI 助手。
你正在 PR 评论区与开发者交流。
用户提到了你 (@ai-bot) 以询问问题 or 请求澄清。
你可以通过 RAG (检索增强生成) 访问代码库的相关片段，并能看到当前的 PR 差异。
"""

BOT_CHAT_TASK = """
回答用户在“对话历史”中提出的问题或评论。
利用“仓库上下文”和“PR 差异”来提供关于代码的准确、具体的回答。
如果上下文中不包含答案，请如实告知，或基于通用知识提供最佳建议。

请不要重复用户的问题，直接开始回答。
"""

BOT_CHAT_OUTPUT_FORMAT = """
Markdown 格式。简洁且具有技术专业性。
"""

def build_pr_review_prompt(diff: str, context: str, history: str = "无") -> str:
    return PROMPT_TEMPLATE.format(
        system_prompt=REVIEW_SYSTEM_PROMPT,
        repo_context=context if context else "未检索到相关的仓库上下文。",
        diff_content=diff,
        conversation_history=history,
        task_description=PR_REVIEW_TASK,
        output_format=PR_REVIEW_OUTPUT_FORMAT
    )

def build_pr_sync_prompt(total_diff: str, sync_diff: str, context: str, history: str) -> str:
    combined_diff = f"--- [PR 全量差异 (Total Diff)] ---\n{total_diff}\n\n--- [本次提交差异 (Recent Sync Diff)] ---\n{sync_diff}"
    return PROMPT_TEMPLATE.format(
        system_prompt=REVIEW_SYSTEM_PROMPT,
        repo_context=context if context else "未检索到相关的仓库上下文。",
        diff_content=combined_diff,
        conversation_history=history,
        task_description=PR_SYNC_TASK,
        output_format=PR_SYNC_OUTPUT_FORMAT
    )

def build_chat_prompt(user_query: str, context: str, history: str, diff: str = "暂无相关 Diff") -> str:
    # 注意：user_query 在概念上是对话历史/任务的一部分
    return PROMPT_TEMPLATE.format(
        system_prompt=CHAT_SYSTEM_PROMPT,
        repo_context=context if context else "未检索到相关的仓库上下文。",
        diff_content=diff,
        conversation_history=history,
        task_description=BOT_CHAT_TASK + f"\n\n用户问题: {user_query}",
        output_format=BOT_CHAT_OUTPUT_FORMAT
    )